Resumen

Con el fin de lograr un modelo de predicción de volumen de tráfico más preciso y robusto, en este estudio se analiza la sensibilidad del modelo de red neuronal de ondaleta (WNNM). Basándose en datos reales de detectores de bucles proporcionados por el destacamento de policía de tráfico de Maanshan, se discute el WNNM con diferentes números de neuronas de entrada, diferentes números de neuronas ocultas y volumen de tráfico para diferentes intervalos de tiempo. Los resultados de las pruebas muestran que el rendimiento del WNNM depende en gran medida de los parámetros de la red y del intervalo de tiempo del volumen de tráfico. Además, el WNNM con 4 neuronas de entrada y 6 neuronas ocultas es el predictor óptimo con mayor precisión, estabilidad y adaptabilidad. Al mismo tiempo, se logrará un registro de predicción mucho mejor con un intervalo de tiempo de volumen de tráfico de 15 minutos. Además, el WNNM optimizado se compara con la ampliamente utilizada red neuronal de retropropagación (BP

• Materias:Modelado matemático Modelo de red neuronal Tasa de convergencia Aritmética Ondículas libres
• Subjects:Mathematical modeling Neural network model Convergence rate Arithmetic Free wavelets
• Palabras claves:Modelo de red neuronal de ondícula; Neuronas de entrada; Neuronas ocultas; Volumen de tráfico; Intervalo de tiempo; Modelo de predicción
• Keywords:Wavelet neural network model; Input neurons; Hidden neurons; Traffic volume; Time interval; Prediction model